Docker容器中使用LayoutParser调用Detectron2预训练模型遇检查点未找到错误

一、先确保Docker环境版本兼容 #

Detectron2对torch、torchvision版本有严格依赖，错误的版本组合会导致模型加载失败。以下是经过验证的Dockerfile配置：

# 选用兼容的基础镜像，避免版本冲突
FROM python:3.8-slim

# 安装系统依赖（解决OpenCV等库的运行依赖）
RUN apt-get update && apt-get install -y --no-install-recommends \
    git \
    wget \
    libgl1-mesa-glx \
    libglib2.0-0 \
    && rm -rf /var/lib/apt/lists/*

# 安装对应版本的torch和torchvision（适配Detectron2 v0.6）
RUN pip install torch==1.10.0+cu113 torchvision==0.11.0+cu113 -f https://download.pytorch.org/whl/cu113/torch_stable.html

# 安装匹配的Detectron2版本
RUN pip install detectron2==0.6 -f https://dl.fbaipublicfiles.com/detectron2/wheels/cu113/torch1.10/index.html

# 安装带Detectron2支持的LayoutParser
RUN pip install layoutparser[detectron2]

二、两种正确加载预训练模型的方式 #

方式1：自动下载模型（需容器网络通畅） #

LayoutParser内置了lp://前缀的模型配置路径，会自动下载对应检查点到容器内的/root/.layoutparser/models/目录，无需手动处理路径：

import layoutparser as lp

# 以PubLayNet模型为例，直接使用内置配置
model = lp.Detectron2LayoutModel(
    config_path="lp://PubLayNet/mask_rcnn_X_101_32x8d_FPN_3x/config",
    label_map={0: "Text", 1: "Title", 2: "List", 3:"Table", 4:"Figure"},
    extra_config=["MODEL.ROI_HEADS.SCORE_THRESH_TEST", 0.8]
)

方式2：手动指定本地模型路径（适合网络受限场景） #

如果自动下载失败，手动下载对应模型的配置文件（yaml）和检查点文件（pth），然后挂载到容器内指定路径，代码中直接引用本地路径：

1. 手动下载模型文件：
   • 配置文件：从Detectron2模型库或LayoutParser官方仓库获取对应模型的yaml配置
   • 检查点：从官方提供的模型下载链接获取pth文件
2. 运行容器时挂载本地模型目录：

   docker run -v /本地模型目录路径:/app/models 你的镜像名 python test_code.py
   

3. 代码中指定本地路径：

   import layoutparser as lp
   
   model = lp.Detectron2LayoutModel(
       config_path="/app/models/PubLayNet_config.yaml",  # 本地配置文件路径
       model_path="/app/models/model_final.pth",        # 本地检查点路径
       label_map={0: "Text", 1: "Title", 2: "List", 3:"Table", 4:"Figure"},
       extra_config=["MODEL.ROI_HEADS.SCORE_THRESH_TEST", 0.8]
   )
   

三、排查常见错误点 #

• 路径混淆：不要同时混用lp://内置路径和本地模型路径，二者只能选其一
• 权限问题：确保容器内用户对挂载的模型目录有读取权限，可在Dockerfile中添加RUN chmod 755 /app/models
• 模型文件完整性：手动下载的pth文件需校验哈希值，避免文件损坏导致加载失败

内容的提问来源于stack exchange，提问作者SMI